本文介绍了一种基于深度神经网络的对比层次聚类模型 CoHiClust，采用自监督学习方法来将基础网络分解为二叉树结构，生成一种合理的聚类结构，并且在大多数图像数据集上与现有的平面聚类模型相比取得了更好的聚类精度。

Mar, 2023

本文提出了一种跨视角对比学习（CVCL）方法，该方法利用深度自编码器将视角相关特征提取出来，通过对多个视角下的聚类结果对比来学习视角不变性表示，并利用聚类级别的 CVCL 策略在微调阶段来探索多个视图之间的一致语义标签信息，从而能够产生更有区分度的聚类结果。实验结果表明该方法优于现有的更先进的方法。

Apr, 2023

本研究提出了一种多视图属性图数据聚类的通用框架，采用多视图对比图聚类 (MCGC) 方法来学习一致性图，相比现有的方法，该方法表现更优异，尤其是在深度学习方法上。

Oct, 2021

在图表征学习中，提出了一种新的分层对比学习 (Hierarchical Contrastive Learning, 简称 HCL) 框架，采用自适应的 L2Pool 方法进行更合理的多尺度图形拓扑构建，并采用多通道伪孪生网络来进一步扩展各级别内的互信息学习，以获得更丰富和更具层次感的表示。通过实验，HCL 在节点分类、节点聚类和图分类等 12 个数据集上均取得了具有竞争力的性能表现，并且通过可视化显示，HCL 成功捕捉到了图的有意义特征。

Oct, 2022

提出了一种名为高阶多视角聚类 (HMvC) 的方法，该方法采用图过滤来编码结构信息，扩充了学习到的图，利用自适应图融合机制来实现一致性的分布式图。实验结果显示，在非图和有属性图数据方面，我们的方法在各种现有技术，包括一些深度学习方法方面都表现出优越性能。

Sep, 2022

本研究介绍了一种名为 MVMC 的多视图多聚类算法，将自表示学习应用于多视图数据中，使用 Hilbert-Schmidt 独立性标准降低矩阵之间的冗余并收集共享信息，再采用矩阵分解生成多个高质量多样性聚类，并进一步扩展到多视图多共聚类（MVMCC）。实验结果表明，本方法在多视图数据中生成的多样性聚类（共聚类）优于当前现有的算法。

May, 2019

本文提出一种深度多视角聚类 (Multi-view Clustering) 框架，将数据恢复和对齐融合在一个层次一致的方式中，通过最大化不同视角之间的互信息，并确保它们的潜在空间的一致性来解决多视角数据在现实世界应用中的视角缺失和不对齐问题。实验结果表明，我们的方法在多视角聚类中显著优于现有方法，即使在视角缺失和不对齐的情况下也是如此。

Oct, 2023

本文提出了一个深度不完全多视图多聚类 (DiMVMC) 框架来处理多视图数据不完整问题，并通过优化多组解码器深度网络来实现数据视图和多个共享表示的同时完成。实验表明，DiMVMC 在生成高质量，多样性的多个聚类方面优于现有的同类竞争对手。

Oct, 2020

本文提出了一种基于遮盖的分层聚类对比学习模型（MHCCL），该模型利用多个潜在分区的分层结构中获得的语义信息用于多元时间序列的表示学习，通过新颖的向下遮罩策略过滤假负面、补充正面，进一步结合了聚类层次结构的多粒度信息，设计了新颖的向上遮罩策略以优化聚类元数据。实验结果表明，MHCCL 模型在七个广泛使用的时间序列数据集上比现有的无监督时间序列表示学习方法表现更卓越。

Dec, 2022

该研究提出了一种名为 HypHC 的方法，将传统的基于启发式算法的相似性层次聚类问题转化为一个离散优化问题，并通过连续松弛技术获得全局最优解，该方法通过超蜂窝嵌入实现了离散树到连续表示的映射，并采用解码算法通过叶节点嵌入到树状图的映射，实现了连续优化用于搜索离散二进制树的空间。

Oct, 2020